MLOps क्या है?
2015 में, Google ने “Hidden Technical Debt in Machine Learning Systems” शीर्षक से एक शोध-पत्र जारी किया। इस पेपर में, Sculley व अन्य ने रेखांकित किया कि भविष्यवाणी करने वाले मशीन लर्निंग मॉडलों का कोड लिखना, प्रोडक्शन में मशीन लर्निंग सिस्टम तैयार करने, तैनात करने और बनाए रखने के समूचे काम का एक छोटा हिस्सा भर है। इस पेपर ने पूरे क्षेत्र में हलचल मचा दी और तब से यह कई उदाहरणों में प्रमाणित भी हुआ है कि डाटा वैज्ञानिकों को अपने मॉडलों को प्रोडक्शन में तैनात करने में संघर्ष करना पड़ता है।
बीते कुछ वर्षों में MLOps (Machine Learning Operations) नामक एक रोमांचक नई श्रेणी उभरी है, जिसका उद्देश्य तैनाती से जुड़े उन चुनौतियों का समाधान करना है जिनका सामना डाटा टीमें करती हैं। MLOps, या Machine Learning Operations, टूल्स, प्रथाओं, तकनीकों और संस्कृति का एक समूह है जो मशीन लर्निंग सिस्टम की विश्वसनीय और स्केलेबल तैनाती सुनिश्चित करता है। जैसे-जैसे डाटा साइंस एक अनुशासन के रूप में परिपक्व हो रहा है, MLOps उन सबसे तेजी से बढ़ती विशिष्टताओं में से एक है जिसे डाटा वैज्ञानिक चुन सकते हैं।
चूंकि MLOps अभी एक अपेक्षाकृत नया क्षेत्र है, इसलिए बहुत कम औपचारिक लर्निंग पाथ उपलब्ध हैं। फिर भी, ओपन-सोर्स और मशीन लर्निंग समुदायों ने अनेक मुफ़्त संसाधन उपलब्ध कराए हैं जिनका कोई भी व्यक्ति लाभ उठा सकता है—जो भरोसेमंद हैं और तुरंत उपयोगी सिद्ध होते हैं। यहां 10 मुफ़्त संसाधन हैं जिनसे आप आज ही अपनी MLOps सीखने की यात्रा शुरू कर सकते हैं।
1. MLOps Fundamentals स्किल ट्रैक
DataCamp का स्किल ट्रैक, MLOps Fundamentals, एक मशीन लर्निंग एप्लिकेशन के पूरे जीवन-चक्र को कवर करता है—व्यावसायिक आवश्यकताओं के संकलन से लेकर डिजाइन, विकास, तैनाती, संचालन और रखरखाव तक। यह ट्रैक वैचारिक कोर्स प्रदान करता है जो आपकी डाटा साइंस की समझ को प्रोडक्शन मशीन लर्निंग सॉफ्टवेयर की दुनिया तक विस्तारित करने में मदद करता है! ट्रैक पूरा करने पर, आप MLOps मानसिकता से लैस होंगे और CI/CD और CM/CT, प्रयोग ट्रैकिंग, मॉडल रजिस्ट्रियाँ, फीचर स्टोर्स, और अलग-अलग तैनाती रणनीतियों जैसे सिद्धांतों से भली-भांति परिचित होंगे
2. Machine Learning Engineering — Andriy Burkov द्वारा
मूल रूप से 2020 में प्रकाशित, यह पुस्तक लागू मशीन लर्निंग की बुनियादों को कवर करने वाली कुछ पुस्तकों में से एक है। किसी विशेष टूल या अवधारणा पर केंद्रित होने के बजाय, Burkov एक एंड-टू-एंड मशीन लर्निंग प्रोजेक्ट के निर्माण और तैनाती की कला और विज्ञान को सरलता से समझाते हैं। पूरी किताब में वे उन आम चुनौतियों को रेखांकित करते हैं जिनका सामना टीमें प्रोडक्शन में मॉडल तैनात करते समय करती हैं, और उनके समाधान बताते हैं।
आप इस पुस्तक को मुफ्त में एक्सेस कर सकते हैं क्योंकि यह “पहले पढ़ें, बाद में खरीदें” सिद्धांत का पालन करती है—अर्थात यदि आपको इससे मूल्य मिला हो तो आप बाद में भुगतान कर सकते हैं।
3. ML in Production ब्लॉग
MLOps पर कुछ बेहतरीन संसाधन आज सक्रिय डाटा वैज्ञानिकों के न्यूज़लेटर्स और ब्लॉग्स में मिलते हैं। Luigi Patruno का ML in Production ब्लॉग और न्यूज़लेटर इसका उत्कृष्ट उदाहरण है। वे नियमित रूप से प्रोडक्शन में मॉडलों की तैनाती और रखरखाव पर सूझबूझ भरा कंटेंट साझा करते हैं। क्यूरेशन के लिए वे अपना दृष्टिकोण इस तरह बताते हैं:
- एप्लाइड—कंटेंट उन टूल्स, पैटर्न्स, प्लेटफॉर्म्स और सिस्टम्स पर केंद्रित रहता है जो प्रोडक्शन में कारगर सिद्ध हुए हैं।
- श्रेष्ठ प्रथाओं पर केंद्रित—डाटा साइंस और मशीन लर्निंग तेजी से बदलते क्षेत्र हैं। इन सिस्टम्स को तैनात करने के लिए आवश्यक कौशलों वाले लोगों की कमी है और स्थापित श्रेष्ठ प्रथाओं का भी अभाव है। न्यूज़लेटर का लक्ष्य इन श्रेष्ठ प्रथाओं को व्यापक समुदाय तक पहुंचाना है।
- डाटा वैज्ञानिकों को अपने काम में अधिक प्रभावी बनाना—क्यूरेटेड कंटेंट का उद्देश्य डाटा वैज्ञानिकों, ML इंजीनियरों और डाटा प्रैक्टिशनर्स को उच्च-प्रभावकारी, बाज़ार योग्य कौशल विकसित करने में मदद करना है।
4. MLOps कम्युनिटी
MLOps सीखना साथ मिलकर और अभ्यास के साथ सबसे बेहतर होता है। यह एक कम्युनिटी है जहां आप क्षेत्र के कुशल प्रैक्टिशनर्स से जुड़ सकते हैं (या शामिल हो सकते हैं) और उनसे सीख सकते हैं। ब्लॉग्स, वीडियो, और रोचक चर्चाओं के माध्यम से, यह संसाधन इस क्षेत्र में अपनी पकड़ मजबूत करने का बेहतरीन तरीका है।
5. Full Stack Deep Learning
यह कोर्स जटिल और बड़े मॉडलों को प्रोडक्शन में ले जाने की सीख के लिए उच्च-गुणवत्ता वाला कंटेंट प्रदान करता है। इसे न केवल OpenAI और Stanford के इंजीनियरों व वैज्ञानिकों जैसे प्रतिष्ठित शिक्षकों ने पढ़ाया है, बल्कि इसमें आज की सबसे प्रेरक मशीन लर्निंग कंपनियों के नेताओं—जैसे Tesla के Andrej Karpathy—के अतिथि व्याख्यान भी शामिल हैं।
यह कोर्स डीप लर्निंग के लिए फुल-स्टैक अप्रोच सिखाता है, जिसमें शामिल हैं
- समस्या की परिभाषा और परियोजना लागत का अनुमान
- डाटा ढूंढना, साफ़ करना, लेबलिंग और ऑग्मेंटेशन
- उचित फ्रेमवर्क और कम्प्यूट इन्फ्रास्ट्रक्चर का चयन
- ट्रेनिंग में दिक्कतों का समाधान और पुनरुत्पादन सुनिश्चित करना
- मॉडलों की प्रोडक्शन में तैनाती
6. Goku Mohandas द्वारा Made With ML
Goku Mohandas ने एंड-टू-एंड मशीन लर्निंग सिस्टम बनाने पर एक उत्कृष्ट और ओपन कोर्स तैयार किया है। Made with ML GitHub पर शीर्ष रिपॉजिटरीज़ में से एक है, और 30K+ से अधिक लोग उनका कोर्स कर रहे हैं।
Made with ML की पाठ्य सामग्रियां मशीन लर्निंग की बुनियाद से लेकर प्रोडक्शन में मॉडलों की तैनाती, परीक्षण और मॉनिटरिंग तक सब कुछ कवर करती हैं। Goku के पाठ अवधारणाओं के पीछे की सहज समझ पर जोर देते हैं, प्रोजेक्ट-आधारित असाइनमेंट्स देते हैं, और शिक्षार्थियों को MLOps भूमिका में सफलता के लिए आवश्यक कुछ सॉफ्टवेयर इंजीनियरिंग श्रेष्ठ प्रथाओं से लैस करते हैं।
7. Awesome production machine learning
यह सावधानीपूर्वक क्यूरेटेड GitHub रिपॉजिटरी उन लोगों के लिए है जो सीधे पैकेजेज़, लाइब्रेरीज़ और अत्याधुनिक टूल्स में गोता लगाकर खुद अभ्यास करना चाहते हैं। सूचीबद्ध सभी पैकेज और टूल्स आपके प्रोडक्शन मशीन लर्निंग सिस्टम्स को बनाने, तैनात करने, मॉनिटर करने, वर्शनिंग, स्केल करने और सुरक्षित रखने में मदद के लिए तैयार किए गए हैं।
चाहे डाटा लेबलिंग, मॉडल ट्रेनिंग ऑर्केस्ट्रेशन, व्याख्येयता, सर्विंग, मॉनिटरिंग, और बहुत कुछ—यहां निश्चित रूप से कुछ ऐसे पैकेज मिलेंगे जिनसे आप अपने प्रोजेक्ट्स में प्रयोग शुरू कर सकते हैं। वे The ML Engineer न्यूज़लेटर भी प्रस्तुत करते हैं, जो मशीन लर्निंग प्रैक्टिशनर्स द्वारा क्यूरेट किए गए नवीनतम फ्रेमवर्क्स, ट्यूटोरियल्स और लेखों से आपको अपडेट रखता है।
8. DVC द्वारा MLOps ट्यूटोरियल
DVC (Data Version Control) मशीन लर्निंग प्रोजेक्ट्स के लिए एक ओपन-सोर्स वर्शन कंट्रोल सिस्टम है। DVC, Git वर्शन कंट्रोल को डेटासेट्स और मॉडलों तक विस्तारित करता है। इसके अलावा, DVC के पीछे की यही टीम ने Continuous Machine Learning (CML) भी विकसित किया है, जो GitHub Actions और GitLab CI जैसे कंटीन्युअस इंटिग्रेशन सिस्टम्स को मशीन लर्निंग के लिए अनुकूलित करने का टूल है।
यह अपेक्षाकृत छोटी YouTube श्रृंखला DevOps और मशीन लर्निंग के संगम पर महत्वपूर्ण अवधारणाओं को उजागर करती है। यह सिद्धांत और व्यवहार के बीच प्रभावी संतुलन साधती है और दिखाती है कि DVC के माध्यम से डाटा वर्शनिंग कैसे लागू की जाए।
9. Machine Learning Operations
यह संसाधन संभवतः सबसे व्यापक में से एक है। इसमें उन तमाम पोस्ट्स का भंडार है जो सफल MLOps प्रैक्टिस के विभिन्न तत्वों को विस्तार से समझाती हैं। Machine Learning Operations दिशानिर्देश, फ्रेमवर्क्स, आचार संहिता प्रस्तुत करता है और MLOps के मानक तय करने का प्रयास करता है।
यद्यपि संक्षिप्त है, यह एक उत्कृष्ट शुरुआती बिंदु है जो बताता है कि MLOps क्यों महत्वपूर्ण है, सफल MLOps प्रैक्टिस के प्रमुख सिद्धांत क्या हैं, और MLOps में प्रयुक्त टूल्स व फ्रेमवर्क्स कौन-से हैं, इत्यादि।
10. AIEngineering द्वारा MLOps – Machine Learning Operations
AIEngineering संभवतः लागू मशीन लर्निंग के लिए सबसे अच्छे—यदि सबसे अच्छा नहीं तो—YouTube चैनलों में से एक है। 60k से अधिक सब्सक्राइबर्स के साथ, Srivatsan Srinivasan ने डाटा से जुड़ी हर चीज़ पर चर्चा करके एक मजबूत फॉलोइंग बनाई है।
उनके पास MLOps और एंड-टू-एंड मशीन लर्निंग प्रोजेक्ट्स की तैनाती पर ढेरों गहन वीडियो और प्लेलिस्ट हैं। अवश्य देखें।
11. TensorFlow द्वारा TFX के साथ प्रोडक्शन ML डिप्लॉयमेंट्स के लिए ML Engineering
Google ने TensorFlow के साथ मशीन लर्निंग का सबसे व्यापक रूप से इस्तेमाल होने वाला टूल बनाया है। वे इसे TensorFlow Extended (TFX) के साथ एक और स्तर पर ले जाते हैं। TensorFlow Extended मशीन लर्निंग मॉडलों की तैनाती के लिए एक एंड-टू-एंड प्लेटफ़ॉर्म है। यह डाटा वैलिडेशन, ट्रांसफॉर्मेशन, मॉडल विश्लेषण और बहुत कुछ के लिए विभिन्न पैकेजों से बना है। TFX को इस तरह बनाया गया है कि आप सॉफ्टवेयर इंजीनियरिंग के काम में अत्यधिक समय और प्रयास लगाए बिना आसानी से मशीन लर्निंग सिस्टम डिज़ाइन कर सकें।
यह YouTube प्लेलिस्ट Google डेवलपर एडवोकेट Robert Crowe द्वारा संचालित है और आपको Google में उपयोग होने वाले प्रमुख MLOps सिद्धांतों और श्रेष्ठ प्रथाओं से परिचित कराती है। साथ ही, TFX का दस्तावेज़ीकरण भी पढ़ने लायक है—सिर्फ उनके गाइड्स के साथ उस पैकेज का उपयोग करने की कोशिश करना ही आपको काफ़ी कुछ सिखा सकता है।
MLOps के बारे में और जानें
हालांकि MLOps अभी शुरुआती चरणों में है—फिर भी ऊपर दिए गए संसाधनों में कवर की गई नवीनतम श्रेष्ठ प्रथाओं और टूल्स पर बढ़त बनाना अत्यंत मूल्यवान है। यदि आप MLOps के बारे में और सीखने में रुचि रखते हैं, तो आप निम्न संसाधन भी देख सकते हैं:
MLOps क्या है?
2015 में, Google ने “Hidden Technical Debt in Machine Learning Systems” शीर्षक से एक शोध-पत्र जारी किया। इस पेपर में, Sculley व अन्य ने रेखांकित किया कि भविष्यवाणी करने वाले मशीन लर्निंग मॉडलों का कोड लिखना, प्रोडक्शन में मशीन लर्निंग सिस्टम तैयार करने, तैनात करने और बनाए रखने के समूचे काम का एक छोटा हिस्सा भर है। इस पेपर ने पूरे क्षेत्र में हलचल मचा दी और तब से यह कई उदाहरणों में प्रमाणित भी हुआ है कि डाटा वैज्ञानिकों को अपने मॉडलों को प्रोडक्शन में तैनात करने में संघर्ष करना पड़ता है।
बीते कुछ वर्षों में MLOps (Machine Learning Operations) नामक एक रोमांचक नई श्रेणी उभरी है, जिसका उद्देश्य तैनाती से जुड़े उन चुनौतियों का समाधान करना है जिनका सामना डाटा टीमें करती हैं। MLOps, या Machine Learning Operations, टूल्स, प्रथाओं, तकनीकों और संस्कृति का एक समूह है जो मशीन लर्निंग सिस्टम की विश्वसनीय और स्केलेबल तैनाती सुनिश्चित करता है। जैसे-जैसे डाटा साइंस एक अनुशासन के रूप में परिपक्व हो रहा है, MLOps उन सबसे तेजी से बढ़ती विशिष्टताओं में से एक है जिसे डाटा वैज्ञानिक चुन सकते हैं।
चूंकि MLOps अभी एक अपेक्षाकृत नया क्षेत्र है, इसलिए बहुत कम औपचारिक लर्निंग पाथ उपलब्ध हैं। फिर भी, ओपन-सोर्स और मशीन लर्निंग समुदायों ने अनेक मुफ़्त संसाधन उपलब्ध कराए हैं जिनका कोई भी व्यक्ति लाभ उठा सकता है—जो भरोसेमंद हैं और तुरंत उपयोगी सिद्ध होते हैं। यहां 10 मुफ़्त संसाधन हैं जिनसे आप आज ही अपनी MLOps सीखने की यात्रा शुरू कर सकते हैं।
1. MLOps Fundamentals स्किल ट्रैक
DataCamp का स्किल ट्रैक, MLOps Fundamentals, एक मशीन लर्निंग एप्लिकेशन के पूरे जीवन-चक्र को कवर करता है—व्यावसायिक आवश्यकताओं के संकलन से लेकर डिजाइन, विकास, तैनाती, संचालन और रखरखाव तक। यह ट्रैक वैचारिक कोर्स प्रदान करता है जो आपकी डाटा साइंस की समझ को प्रोडक्शन मशीन लर्निंग सॉफ्टवेयर की दुनिया तक विस्तारित करने में मदद करता है! ट्रैक पूरा करने पर, आप MLOps मानसिकता से लैस होंगे और CI/CD और CM/CT, प्रयोग ट्रैकिंग, मॉडल रजिस्ट्रियाँ, फीचर स्टोर्स, और अलग-अलग तैनाती रणनीतियों जैसे सिद्धांतों से भली-भांति परिचित होंगे
2. Machine Learning Engineering — Andriy Burkov द्वारा
मूल रूप से 2020 में प्रकाशित, यह पुस्तक लागू मशीन लर्निंग की बुनियादों को कवर करने वाली कुछ पुस्तकों में से एक है। किसी विशेष टूल या अवधारणा पर केंद्रित होने के बजाय, Burkov एक एंड-टू-एंड मशीन लर्निंग प्रोजेक्ट के निर्माण और तैनाती की कला और विज्ञान को सरलता से समझाते हैं। पूरी किताब में वे उन आम चुनौतियों को रेखांकित करते हैं जिनका सामना टीमें प्रोडक्शन में मॉडल तैनात करते समय करती हैं, और उनके समाधान बताते हैं।
आप इस पुस्तक को मुफ्त में एक्सेस कर सकते हैं क्योंकि यह “पहले पढ़ें, बाद में खरीदें” सिद्धांत का पालन करती है—अर्थात यदि आपको इससे मूल्य मिला हो तो आप बाद में भुगतान कर सकते हैं।
3. ML in Production ब्लॉग
MLOps पर कुछ बेहतरीन संसाधन आज सक्रिय डाटा वैज्ञानिकों के न्यूज़लेटर्स और ब्लॉग्स में मिलते हैं। Luigi Patruno का ML in Production ब्लॉग और न्यूज़लेटर इसका उत्कृष्ट उदाहरण है। वे नियमित रूप से प्रोडक्शन में मॉडलों की तैनाती और रखरखाव पर सूझबूझ भरा कंटेंट साझा करते हैं। क्यूरेशन के लिए वे अपना दृष्टिकोण इस तरह बताते हैं:
4. MLOps कम्युनिटी
MLOps सीखना साथ मिलकर और अभ्यास के साथ सबसे बेहतर होता है। यह एक कम्युनिटी है जहां आप क्षेत्र के कुशल प्रैक्टिशनर्स से जुड़ सकते हैं (या शामिल हो सकते हैं) और उनसे सीख सकते हैं। ब्लॉग्स, वीडियो, और रोचक चर्चाओं के माध्यम से, यह संसाधन इस क्षेत्र में अपनी पकड़ मजबूत करने का बेहतरीन तरीका है।
5. Full Stack Deep Learning
यह कोर्स जटिल और बड़े मॉडलों को प्रोडक्शन में ले जाने की सीख के लिए उच्च-गुणवत्ता वाला कंटेंट प्रदान करता है। इसे न केवल OpenAI और Stanford के इंजीनियरों व वैज्ञानिकों जैसे प्रतिष्ठित शिक्षकों ने पढ़ाया है, बल्कि इसमें आज की सबसे प्रेरक मशीन लर्निंग कंपनियों के नेताओं—जैसे Tesla के Andrej Karpathy—के अतिथि व्याख्यान भी शामिल हैं।
यह कोर्स डीप लर्निंग के लिए फुल-स्टैक अप्रोच सिखाता है, जिसमें शामिल हैं
6. Goku Mohandas द्वारा Made With ML
Goku Mohandas ने एंड-टू-एंड मशीन लर्निंग सिस्टम बनाने पर एक उत्कृष्ट और ओपन कोर्स तैयार किया है। Made with ML GitHub पर शीर्ष रिपॉजिटरीज़ में से एक है, और 30K+ से अधिक लोग उनका कोर्स कर रहे हैं।
Made with ML की पाठ्य सामग्रियां मशीन लर्निंग की बुनियाद से लेकर प्रोडक्शन में मॉडलों की तैनाती, परीक्षण और मॉनिटरिंग तक सब कुछ कवर करती हैं। Goku के पाठ अवधारणाओं के पीछे की सहज समझ पर जोर देते हैं, प्रोजेक्ट-आधारित असाइनमेंट्स देते हैं, और शिक्षार्थियों को MLOps भूमिका में सफलता के लिए आवश्यक कुछ सॉफ्टवेयर इंजीनियरिंग श्रेष्ठ प्रथाओं से लैस करते हैं।
7. Awesome production machine learning
यह सावधानीपूर्वक क्यूरेटेड GitHub रिपॉजिटरी उन लोगों के लिए है जो सीधे पैकेजेज़, लाइब्रेरीज़ और अत्याधुनिक टूल्स में गोता लगाकर खुद अभ्यास करना चाहते हैं। सूचीबद्ध सभी पैकेज और टूल्स आपके प्रोडक्शन मशीन लर्निंग सिस्टम्स को बनाने, तैनात करने, मॉनिटर करने, वर्शनिंग, स्केल करने और सुरक्षित रखने में मदद के लिए तैयार किए गए हैं।
चाहे डाटा लेबलिंग, मॉडल ट्रेनिंग ऑर्केस्ट्रेशन, व्याख्येयता, सर्विंग, मॉनिटरिंग, और बहुत कुछ—यहां निश्चित रूप से कुछ ऐसे पैकेज मिलेंगे जिनसे आप अपने प्रोजेक्ट्स में प्रयोग शुरू कर सकते हैं। वे The ML Engineer न्यूज़लेटर भी प्रस्तुत करते हैं, जो मशीन लर्निंग प्रैक्टिशनर्स द्वारा क्यूरेट किए गए नवीनतम फ्रेमवर्क्स, ट्यूटोरियल्स और लेखों से आपको अपडेट रखता है।
8. DVC द्वारा MLOps ट्यूटोरियल
DVC (Data Version Control) मशीन लर्निंग प्रोजेक्ट्स के लिए एक ओपन-सोर्स वर्शन कंट्रोल सिस्टम है। DVC, Git वर्शन कंट्रोल को डेटासेट्स और मॉडलों तक विस्तारित करता है। इसके अलावा, DVC के पीछे की यही टीम ने Continuous Machine Learning (CML) भी विकसित किया है, जो GitHub Actions और GitLab CI जैसे कंटीन्युअस इंटिग्रेशन सिस्टम्स को मशीन लर्निंग के लिए अनुकूलित करने का टूल है।
यह अपेक्षाकृत छोटी YouTube श्रृंखला DevOps और मशीन लर्निंग के संगम पर महत्वपूर्ण अवधारणाओं को उजागर करती है। यह सिद्धांत और व्यवहार के बीच प्रभावी संतुलन साधती है और दिखाती है कि DVC के माध्यम से डाटा वर्शनिंग कैसे लागू की जाए।
9. Machine Learning Operations
यह संसाधन संभवतः सबसे व्यापक में से एक है। इसमें उन तमाम पोस्ट्स का भंडार है जो सफल MLOps प्रैक्टिस के विभिन्न तत्वों को विस्तार से समझाती हैं। Machine Learning Operations दिशानिर्देश, फ्रेमवर्क्स, आचार संहिता प्रस्तुत करता है और MLOps के मानक तय करने का प्रयास करता है।
यद्यपि संक्षिप्त है, यह एक उत्कृष्ट शुरुआती बिंदु है जो बताता है कि MLOps क्यों महत्वपूर्ण है, सफल MLOps प्रैक्टिस के प्रमुख सिद्धांत क्या हैं, और MLOps में प्रयुक्त टूल्स व फ्रेमवर्क्स कौन-से हैं, इत्यादि।
10. AIEngineering द्वारा MLOps – Machine Learning Operations
AIEngineering संभवतः लागू मशीन लर्निंग के लिए सबसे अच्छे—यदि सबसे अच्छा नहीं तो—YouTube चैनलों में से एक है। 60k से अधिक सब्सक्राइबर्स के साथ, Srivatsan Srinivasan ने डाटा से जुड़ी हर चीज़ पर चर्चा करके एक मजबूत फॉलोइंग बनाई है।
उनके पास MLOps और एंड-टू-एंड मशीन लर्निंग प्रोजेक्ट्स की तैनाती पर ढेरों गहन वीडियो और प्लेलिस्ट हैं। अवश्य देखें।
11. TensorFlow द्वारा TFX के साथ प्रोडक्शन ML डिप्लॉयमेंट्स के लिए ML Engineering
Google ने TensorFlow के साथ मशीन लर्निंग का सबसे व्यापक रूप से इस्तेमाल होने वाला टूल बनाया है। वे इसे TensorFlow Extended (TFX) के साथ एक और स्तर पर ले जाते हैं। TensorFlow Extended मशीन लर्निंग मॉडलों की तैनाती के लिए एक एंड-टू-एंड प्लेटफ़ॉर्म है। यह डाटा वैलिडेशन, ट्रांसफॉर्मेशन, मॉडल विश्लेषण और बहुत कुछ के लिए विभिन्न पैकेजों से बना है। TFX को इस तरह बनाया गया है कि आप सॉफ्टवेयर इंजीनियरिंग के काम में अत्यधिक समय और प्रयास लगाए बिना आसानी से मशीन लर्निंग सिस्टम डिज़ाइन कर सकें।
यह YouTube प्लेलिस्ट Google डेवलपर एडवोकेट Robert Crowe द्वारा संचालित है और आपको Google में उपयोग होने वाले प्रमुख MLOps सिद्धांतों और श्रेष्ठ प्रथाओं से परिचित कराती है। साथ ही, TFX का दस्तावेज़ीकरण भी पढ़ने लायक है—सिर्फ उनके गाइड्स के साथ उस पैकेज का उपयोग करने की कोशिश करना ही आपको काफ़ी कुछ सिखा सकता है।
MLOps के बारे में और जानें
हालांकि MLOps अभी शुरुआती चरणों में है—फिर भी ऊपर दिए गए संसाधनों में कवर की गई नवीनतम श्रेष्ठ प्रथाओं और टूल्स पर बढ़त बनाना अत्यंत मूल्यवान है। यदि आप MLOps के बारे में और सीखने में रुचि रखते हैं, तो आप निम्न संसाधन भी देख सकते हैं: